人工智能及其應(yīng)用試驗(yàn)指導(dǎo)書

1、人工智能及其應(yīng)用實(shí)驗(yàn)指導(dǎo)書浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院一人工智能課程組2011年9月本實(shí)驗(yàn)是為了配合人工智能及其應(yīng)用課程的理論學(xué)習(xí)而專門設(shè)置的。 本 實(shí)驗(yàn)的目的是鞏固和加強(qiáng)人工智能的基本原理和方法， 并為今后進(jìn)一步學(xué)習(xí)更高 級(jí)課程和信息智能化技術(shù)的研究與系統(tǒng)開發(fā)奠定良好的基礎(chǔ)。全書共分為八個(gè)實(shí)驗(yàn)：1.產(chǎn)生式系統(tǒng)實(shí)驗(yàn)；2.模糊推理系統(tǒng)實(shí)驗(yàn)；*算法求解 8數(shù)碼問(wèn)題實(shí)驗(yàn)；*算法求解迷宮問(wèn)題實(shí)驗(yàn)；5.遺傳算法求解函數(shù)最值問(wèn)題實(shí)驗(yàn)； 6.遺傳算法求解TSP問(wèn)題實(shí)驗(yàn)；7.基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn)；8.基于神經(jīng)網(wǎng) 絡(luò)的優(yōu)化計(jì)算實(shí)驗(yàn)。每個(gè)實(shí)驗(yàn)包括有：實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)內(nèi)容、實(shí)驗(yàn)條件、實(shí)驗(yàn)要 求、實(shí)驗(yàn)步驟和實(shí)

2、驗(yàn)報(bào)告等六個(gè)項(xiàng)目。本實(shí)驗(yàn)指導(dǎo)書包括兩個(gè)部分。第一個(gè)部分是介紹實(shí)驗(yàn)的教學(xué)大綱；第二部分 是介紹八個(gè)實(shí)驗(yàn)的內(nèi)容。由于編者水平有限，本實(shí)驗(yàn)指導(dǎo)書的錯(cuò)誤和不足在所難免，歡迎批評(píng)指正。人工智能課程組2011年9月目錄實(shí)驗(yàn)教學(xué)大綱錯(cuò)誤!未定義書簽實(shí)驗(yàn)一 產(chǎn)生式系統(tǒng)實(shí)驗(yàn) 錯(cuò)誤!未定義書簽實(shí)驗(yàn)二模糊推理系統(tǒng)實(shí)驗(yàn)錯(cuò)誤!未定義書簽實(shí)驗(yàn)三A*算法實(shí)驗(yàn)I錯(cuò)誤!未定義書簽實(shí)驗(yàn)四A*算法實(shí)驗(yàn)II錯(cuò)誤!未定義書簽實(shí)驗(yàn)五遺傳算法實(shí)驗(yàn)I錯(cuò)誤!未定義書簽實(shí)驗(yàn)六遺傳算法實(shí)驗(yàn)II錯(cuò)誤!未定義書簽實(shí)驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn)錯(cuò)誤!未定義書簽實(shí)驗(yàn)八基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算實(shí)驗(yàn)錯(cuò)誤!未定義書簽實(shí)驗(yàn)教學(xué)大綱、學(xué)時(shí)：16學(xué)時(shí)，一般安排在第9

3、周至第16周。、主要儀器設(shè)備及運(yùn)行環(huán)境：PC機(jī)、Visual C+、Matlab、實(shí)驗(yàn)項(xiàng)目及教學(xué)安排序號(hào)實(shí)驗(yàn)名稱實(shí)驗(yàn)平臺(tái)實(shí)驗(yàn)內(nèi)容學(xué)時(shí)教學(xué)要求1產(chǎn)生式系統(tǒng)應(yīng)用VC+設(shè)計(jì)知識(shí)庫(kù)，實(shí)現(xiàn)系統(tǒng)識(shí)別或 分類等。2設(shè)計(jì)課內(nèi)2模糊推理系統(tǒng)應(yīng) 用Matlab1）設(shè)計(jì)洗衣機(jī)的模糊控制器； 2）設(shè)計(jì)兩車追趕的模糊控制 器。2驗(yàn)證課內(nèi)3A*算法應(yīng)用IVC+設(shè)計(jì)與實(shí)現(xiàn)求解 N數(shù)碼問(wèn)題的A*算法。2綜合課內(nèi)4A*算法應(yīng)用IIVC+設(shè)計(jì)與實(shí)現(xiàn)求解迷宮問(wèn)題的A*算法。2綜合課內(nèi)5遺傳算法應(yīng)用IMatlab1）求某一囪數(shù)的最小值；2）求某一函數(shù)的最大值。2驗(yàn)證課內(nèi)6遺傳算法應(yīng)用IIVC+設(shè)計(jì)與實(shí)現(xiàn)求解不同城市規(guī)模 的TSP問(wèn)題

4、的遺傳算法。2綜合課內(nèi)7基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別Matlab1）基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別設(shè)計(jì)；2）基于離散Hopfiel神經(jīng)網(wǎng)絡(luò)的 聯(lián)想記憶設(shè)計(jì)。2驗(yàn)證課內(nèi)8基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算VC+設(shè)計(jì)與實(shí)現(xiàn)求解 TSP問(wèn)題的連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)。2綜合課內(nèi)四、實(shí)驗(yàn)成績(jī)?cè)u(píng)定實(shí)驗(yàn)課成績(jī)單獨(dú)按五分制評(píng)定。凡實(shí)驗(yàn)成績(jī)不及格者，該門課程就不及格。學(xué)生的實(shí)驗(yàn)成績(jī)應(yīng)以平時(shí)考查為主，一般應(yīng)占課程總成績(jī)的50%,其平時(shí)成績(jī)又 要以實(shí)驗(yàn)實(shí)際操作的優(yōu)劣作為主要考核依據(jù)。 對(duì)于實(shí)驗(yàn)課成績(jī)，無(wú)論采取何種方 式進(jìn)行考核，都必須按實(shí)驗(yàn)課的目的要求，以實(shí)際實(shí)驗(yàn)工作能力的強(qiáng)弱作為評(píng)定 成績(jī)的主要依據(jù)。評(píng)定各級(jí)成績(jī)時(shí)，可參考以下標(biāo)

5、準(zhǔn)：（一）優(yōu)秀能正確理解實(shí)驗(yàn)的目的要求，能獨(dú)立、順利而正確地完成各項(xiàng)實(shí)驗(yàn)操作，會(huì) 分析和處理實(shí)驗(yàn)中遇到的問(wèn)題，能掌握所學(xué)的各項(xiàng)實(shí)驗(yàn)技能，能較好地完成實(shí)驗(yàn) 報(bào)告及其它各項(xiàng)實(shí)驗(yàn)作業(yè)，有一定創(chuàng)造精神和能力。有良好的實(shí)驗(yàn)室工作作風(fēng)和 習(xí)慣。（二）良好能理解實(shí)驗(yàn)的目的和要求，能認(rèn)真而正確地完成各項(xiàng)實(shí)驗(yàn)操作，能分析和處 理實(shí)驗(yàn)中遇到的一些問(wèn)題。能掌握所學(xué)實(shí)驗(yàn)技能的絕大部分，對(duì)難點(diǎn)較大的操作 完成有困難。能一般完成實(shí)驗(yàn)報(bào)告和其它實(shí)驗(yàn)作業(yè)。 有較好的實(shí)驗(yàn)習(xí)慣和工作作 風(fēng)。（三）中等能粗淺理解實(shí)驗(yàn)?zāi)康囊?，能認(rèn)真努力進(jìn)行各項(xiàng)實(shí)驗(yàn)操作，但技巧較差。能 分析和處理實(shí)驗(yàn)中一些較容易的問(wèn)題， 掌握實(shí)驗(yàn)技能的大部分。有3

6、0%掌握得不 好。能一般完成各項(xiàng)實(shí)驗(yàn)作業(yè)和報(bào)告。處理問(wèn)題缺乏條理。工作作風(fēng)較好。能認(rèn) 真遵守各項(xiàng)規(guī)章制度。學(xué)習(xí)努力。（四）及格只能機(jī)械地了解實(shí)驗(yàn)內(nèi)容，能一般按圖、或按實(shí)驗(yàn)步驟照方抓藥”完成實(shí)驗(yàn)操作，能完成60%所學(xué)的實(shí)驗(yàn)技能，有些雖作但不準(zhǔn)確。遇到問(wèn)題常常缺乏解決 的辦法，在別人啟發(fā)下能作些簡(jiǎn)單處理，但效果不理想。能一般完成實(shí)驗(yàn)報(bào)告， 能認(rèn)真遵守實(shí)驗(yàn)室各項(xiàng)規(guī)章制度，工作中有小的習(xí)慣性毛病（如工作無(wú)計(jì)劃，處 理問(wèn)題缺乏條理）。（五）不及格盲目地 照方抓藥”，只掌握50%的所學(xué)實(shí)驗(yàn)技能。有些實(shí)驗(yàn)雖能作，但一般 效果不好，操作不正確。工作忙亂無(wú)條理。一般能遵守實(shí)驗(yàn)室規(guī)章制度，但常有 小的錯(cuò)誤。實(shí)驗(yàn)報(bào)

7、告較多的時(shí)候有結(jié)果，遇到問(wèn)題時(shí)說(shuō)不明原因，在教師指導(dǎo)下 也較難完成各項(xiàng)實(shí)驗(yàn)作業(yè)?；蛴行┬÷斆鞯慌Γ磺笊线M(jìn)。府統(tǒng)壟置值 卻F庫(kù)®隹理卬 訐秤口 商就依性動(dòng)物謨現(xiàn)呈統(tǒng)痂標(biāo)知識(shí)昨rral Bl u > 店 tw )- o 1 i 產(chǎn) p后工 毛默e(黃袍前片 11ostive衣生ri IX 世9 y tl北。svt肚廣&(。子 rari小,Lv紋薩 Lalvetiito>鬻黛FL 食幼"性mll,WLI?性隼L.1PI/)81 y £ % w J-1-1 r-物物 r-t-J6.( 1i I一一 V瘠t i 口1 T p坡湖4”i' .

8、J“.-/',11一四 -堤總?cè)闉醴瑀.r'就了 有c仃噫鳥食虱e(K" 州 UI 號(hào) V £ 百 GsyLrVV4.* ix- f L L c i c -L i s -莒 -£ 一一 £wt t ( - - - - : 二 二一 ：-e 戶二;Tl=3 - s s- s V 1 - - 1 - 1 - t i o 0 1 1 ：4=: - p p t t -J I . Jr - 1 - - 5 i 一 N " ?- 川 g s =!-= 鹿豹fiB彳M M 馬眼橫殳駕篇物我二T-10-1二-一 _ ralMral血 ,rnJD

9、.llM uuLLud 以匕小al兇tg哺哺.由墨實(shí)驗(yàn)一產(chǎn)生式系統(tǒng)實(shí)驗(yàn)一、實(shí)驗(yàn)?zāi)康模菏煜ひ浑A謂詞邏輯和產(chǎn)生式表示法，掌握產(chǎn)生式系統(tǒng)的運(yùn)行機(jī)制，以及基于 規(guī)則推理的基本方法。二、實(shí)驗(yàn)內(nèi)容運(yùn)用所學(xué)知識(shí)，設(shè)計(jì)并編程實(shí)現(xiàn)一個(gè)小型人工智能系統(tǒng)（如分類、診斷、預(yù) 測(cè)等類型）。三、實(shí)驗(yàn)條件：產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序，如下圖1所示。目回岡椅入押如圖1產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序界面四、實(shí)驗(yàn)要求1.具體應(yīng)用領(lǐng)域自選，具體系統(tǒng)名稱自定；但所做系統(tǒng)絕對(duì)不能雷同。2,用一階謂詞邏輯和產(chǎn)生式規(guī)則作為知識(shí)表示，利用如圖 1所示的產(chǎn)生式 系統(tǒng)實(shí)驗(yàn)程序，建立知識(shí)庫(kù)，分別運(yùn)行正、反向推理。3.系統(tǒng)完成后，提交實(shí)驗(yàn)報(bào)告五、實(shí)驗(yàn)步驟:1.基于如圖

10、1所示的產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序，設(shè)計(jì)并實(shí)現(xiàn)一個(gè)小型人工智能系 統(tǒng)：1）系統(tǒng)設(shè)置，包括設(shè)置系統(tǒng)名稱和系統(tǒng)謂詞，給出謂詞名及其含義。2）編輯知識(shí)庫(kù)，通過(guò)輸入規(guī)則或修改規(guī)則等，完成整個(gè)規(guī)則庫(kù)的建立。3）建立事實(shí)庫(kù)（綜合數(shù)據(jù)庫(kù)），輸入多條事實(shí)或結(jié)論。4）運(yùn)行推理，包括正向推理和反向推理，給出相應(yīng)的推理過(guò)程、事實(shí)區(qū)和 規(guī)則區(qū)。2.撰寫實(shí)驗(yàn)報(bào)告。六、實(shí)驗(yàn)報(bào)告下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。遞交的報(bào)告文件名：班級(jí) 學(xué)號(hào) 姓名 實(shí)驗(yàn)名稱實(shí)驗(yàn)名稱班級(jí)：學(xué)號(hào)：姓名:一、實(shí)驗(yàn)?zāi)康亩?shí)驗(yàn)內(nèi)容三、實(shí)驗(yàn)步驟四、實(shí)驗(yàn)結(jié)果1 .系統(tǒng)名稱及謂詞定義2 .系統(tǒng)知識(shí)庫(kù)3 .系統(tǒng)正、反向推理過(guò)程、事實(shí)區(qū)和規(guī)則區(qū)。五、實(shí)驗(yàn)總結(jié)實(shí)驗(yàn)二

11、模糊推理系統(tǒng)實(shí)驗(yàn)一、實(shí)驗(yàn)?zāi)康睦斫饽：壿嬐评淼脑砑疤攸c(diǎn)，熟練應(yīng)用模糊推理，了解可能性理論。二、實(shí)驗(yàn)原理模糊推理所處理的事物自身是模糊的，概念本身沒(méi)有明確的外延，一個(gè)對(duì)象 是否符合這個(gè)概念難以明確地確定， 模糊推理是對(duì)這種不確定性，即模糊性的表 示與處理。模糊邏輯推理是基于模糊性知識(shí)（模糊規(guī)則）的一種近似推理，一般采 用Zadeh提出的語(yǔ)言變量、語(yǔ)言值、模糊集和模糊關(guān)系合成的方法進(jìn)行推理。三、實(shí)驗(yàn)條件Matlab 的 Fuzzy Logic Tool四、實(shí)驗(yàn)內(nèi)容及要求1,設(shè)計(jì)洗衣機(jī)洗滌時(shí)間的模糊控制。已知人的操作經(jīng)驗(yàn)為： 污泥越多，油脂越多，洗滌時(shí)間越長(zhǎng)”； 污泥適中，油脂適中，洗滌時(shí)間適中”

12、； 污泥越少，油脂越少，洗滌時(shí)間越短 要求：（1）假設(shè)污泥、油脂、洗滌時(shí)間的論域分別為0,100、0,100和0,120,設(shè) 計(jì)相應(yīng)的模糊推理系統(tǒng)，給出輸入、輸出語(yǔ)言變量的隸屬函數(shù)圖，模糊控制規(guī)則 表和推論結(jié)果立體圖。（2）假定當(dāng)前傳感器測(cè)得的信息為 x （污泥）60, y。（油脂）70,采用面積重 心法反模糊化，給出模糊推理結(jié)果，并觀察模糊推理的動(dòng)態(tài)仿真環(huán)境， 給出其動(dòng) 態(tài)仿真環(huán)境圖。提示：模糊控制規(guī)則如下表1所示，其中SD （污泥少）、MD （污泥中）、LD （污泥多）、NG （油脂少）、MG （油脂中）、LG （油脂多）、VS （洗滌時(shí)間很短）、 S （洗滌時(shí)間短）、M （洗滌時(shí)間中等）

13、、L （洗滌時(shí)間長(zhǎng)）、VL （洗滌時(shí)間很長(zhǎng)）。圖1洗衣機(jī)的模糊控制規(guī)則表xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2 .假設(shè)兩汽車均為理想狀態(tài)，即瑞 s2 2 047 2s 4, 丫為速度，U為油門控制輸入(1)設(shè)計(jì)模糊推理系統(tǒng)控制2號(hào)汽車由靜止啟動(dòng),追趕200m外時(shí)速90km的 1號(hào)汽車并與其保持30m的距離。(2)在25時(shí)刻1號(hào)汽車速度改為時(shí)速110km時(shí)，仍與其保持30m距離。(3)在35時(shí)刻1號(hào)汽車速度改為時(shí)速70km時(shí)，仍與其保持30m距離。要求：(1)如下圖1所示，設(shè)計(jì)兩輸入一輸出的模糊推理系統(tǒng)作為2號(hào)汽車的模糊控制器，其中

14、輸入為誤差e和誤差的變化e,輸出為1號(hào)汽車的油門控制u,采用面積等分法反模糊化，給出輸入、輸出語(yǔ)言變量的隸屬函數(shù)圖，模糊控制規(guī)則 表，推論結(jié)果立體圖和模糊推理的動(dòng)態(tài)仿真環(huán)境圖。相對(duì)距離e圖1兩車追趕的模糊控制系統(tǒng)框圖(2)用SIMULINK仿真兩車追趕的模糊控制系統(tǒng)，給出目標(biāo)車(1號(hào)汽車)的 速度曲線圖，以及追趕車(2號(hào)汽車)的速度曲線圖和與目標(biāo)車(1號(hào)汽車)相 對(duì)距離變化圖。提小：模糊控制規(guī)則如下表2所小，其中r eq e , tg £ , r、和 ' e油門控制u的論域分別為0,1、卜3,3和-1,1, r的隸屬函數(shù)如圖2所示。表2模糊控制規(guī)則表rNBZEPBPBZENM

15、NBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB圖2r的隸屬函數(shù)圖五、實(shí)驗(yàn)報(bào)告要求:1.按照實(shí)驗(yàn)要求，給出相應(yīng)結(jié)果2,分析隸屬度、模糊關(guān)系和模糊規(guī)則的相互關(guān)系下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí)：學(xué)號(hào)：姓名:一、實(shí)驗(yàn)?zāi)康亩?shí)驗(yàn)內(nèi)容三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)要求，給出相應(yīng)結(jié)果。四、實(shí)驗(yàn)總結(jié)1 .分析隸屬度、模糊關(guān)系和模糊規(guī)則的相互關(guān)系。2 .總結(jié)實(shí)驗(yàn)心得體會(huì)實(shí)驗(yàn)三 A*算法實(shí)驗(yàn)I、實(shí)驗(yàn)?zāi)康氖煜ず驼莆諉l(fā)式搜索的定義、估價(jià)函數(shù)和算法過(guò)程，并利用A*算法求解N 數(shù)碼難題，理解求解流程和搜索順序。二、實(shí)驗(yàn)原理A*算法是一種啟發(fā)式圖搜索算法，其特點(diǎn)在于對(duì)估價(jià)函數(shù)的定義上。對(duì)于

16、一 般的啟發(fā)式圖搜索，總是選擇估價(jià)函數(shù)f值最小的節(jié)點(diǎn)作為擴(kuò)展節(jié)點(diǎn)。因此，f是根據(jù)需要找到一條最小代價(jià)路徑的觀點(diǎn)來(lái)估算節(jié)點(diǎn)的，所以，可考慮每個(gè)節(jié)點(diǎn)n的估價(jià)函數(shù)值為兩個(gè)分量：從起始節(jié)點(diǎn)到節(jié)點(diǎn)n的實(shí)際代價(jià)g(n)以及從節(jié)點(diǎn)n到達(dá)目標(biāo)節(jié)點(diǎn)的估價(jià)代價(jià) h(n),且h(n) h * (n) , h* (n)為n節(jié)點(diǎn)到目的結(jié)點(diǎn)的最 優(yōu)路徑的代價(jià)。八數(shù)碼問(wèn)題是在3X3的九宮格棋盤上，擺有8個(gè)刻有18數(shù)碼的將牌。棋 盤中有一個(gè)空格，允許緊鄰空格的某一將牌可以移到空格中， 這樣通過(guò)平移將牌 可以將某一將牌布局變換為另一布局。 針對(duì)給定的一種初始布局或結(jié)構(gòu)(目標(biāo)狀 態(tài))，問(wèn)如何移動(dòng)將牌，實(shí)現(xiàn)從初始狀態(tài)到目標(biāo)狀態(tài)的轉(zhuǎn)

17、變。如下圖 1表示了一 個(gè)具體的八數(shù)碼問(wèn)題求解。三、實(shí)驗(yàn)內(nèi)容1 .參考A*算法核心代碼，以8數(shù)碼問(wèn)題為例實(shí)現(xiàn)A*算法的求解程序(編程 語(yǔ)言不限)，要求設(shè)計(jì)兩種不同的估價(jià)函數(shù)。2 .設(shè)置相同的初始狀態(tài)和目標(biāo)狀態(tài)，針對(duì)不同的估價(jià)函數(shù)，求得問(wèn)題的解， 并比較它們對(duì)搜索算法性能的影響，包括擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)等。3 .設(shè)置與上述2相同的初始狀態(tài)和目標(biāo)狀態(tài)，用寬度優(yōu)先搜索算法(即令估 計(jì)代價(jià)h(n) = 0的A*算法)求得問(wèn)題的解，以及搜索過(guò)程中的擴(kuò)展節(jié)點(diǎn)數(shù)、生成 節(jié)點(diǎn)數(shù)。*4.參考A*算法核心代碼，實(shí)現(xiàn)A*算法求解15數(shù)碼問(wèn)題的程序，設(shè)計(jì)兩種 不同的估價(jià)函數(shù)，然后重復(fù)上述 2和3的實(shí)驗(yàn)內(nèi)容。5.提交

18、實(shí)驗(yàn)報(bào)告和源程序。四、實(shí)驗(yàn)報(bào)告要求1 .分析不同的估價(jià)函數(shù)對(duì)A*算法性能的影響。2,根據(jù)寬度優(yōu)先搜索算法和 A*算法求解8、15數(shù)碼問(wèn)題的結(jié)果，分析啟發(fā) 式搜索的特點(diǎn)。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí)：學(xué)號(hào)：姓名：一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容，把結(jié)果填入表1。表1不同啟發(fā)函數(shù)h(n)求解8數(shù)碼問(wèn)題的結(jié)果比較啟發(fā)函數(shù)h(n)小在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)555最優(yōu)解擴(kuò)展節(jié)點(diǎn)數(shù)生成節(jié)點(diǎn)數(shù)運(yùn)行時(shí)間*表2不同啟發(fā)函數(shù)h(n)求解15數(shù)碼問(wèn)題的結(jié)果比較啟發(fā)函數(shù)h(n)小在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)最優(yōu)解擴(kuò)展節(jié)點(diǎn)數(shù)生成節(jié)點(diǎn)數(shù)運(yùn)行時(shí)間四、實(shí)驗(yàn)總結(jié)1 .畫出A*算法求解N數(shù)碼問(wèn)題的

19、流程圖2 .完成實(shí)驗(yàn)報(bào)告要求1和2。3 .總結(jié)實(shí)驗(yàn)心得體會(huì)實(shí)驗(yàn)四A*算法實(shí)驗(yàn)II一、實(shí)驗(yàn)?zāi)康氖煜ず驼莆誂*算法實(shí)現(xiàn)迷宮尋路功能，要求掌握啟發(fā)式函數(shù)的編寫以及各 類啟發(fā)式函數(shù)效果的比較。二、實(shí)驗(yàn)原理A* (A-Star痹法是一種靜態(tài)路網(wǎng)中求解最短路最有效的方法。公式表示為： f(n)=g(n)+h(n),其中f(n)是節(jié)點(diǎn)n從初始點(diǎn)到目標(biāo)點(diǎn)的估價(jià)函數(shù)，g(n)是在狀態(tài)空 問(wèn)中從初始節(jié)點(diǎn)到n節(jié)點(diǎn)的實(shí)際代價(jià)，h(n)是從n到目標(biāo)節(jié)點(diǎn)最佳路徑的估計(jì)代 價(jià)。保證找到最短路徑(最優(yōu)解的)條件，關(guān)鍵在于估價(jià)函數(shù)h(n)的選?。汗纼r(jià)值h(n)小于等于n到目標(biāo)節(jié)點(diǎn)的距離實(shí)際值h*(n),這種情況下，搜索的點(diǎn)數(shù)多

20、， 搜索范圍大，效率低，但能得到最優(yōu)解。如果估價(jià)值大于實(shí)際值，搜索的點(diǎn)數(shù)少， 搜索范圍小，效率高，但不能保證得到最優(yōu)解。尋路問(wèn)題常見于各類游戲中角色尋路、 三維虛擬場(chǎng)景中運(yùn)動(dòng)目標(biāo)的路徑規(guī)劃、 機(jī)器人尋路等多個(gè)應(yīng)用領(lǐng)域。迷宮尋路問(wèn)題是在以方格表示的地圖場(chǎng)景中，對(duì)于 給定的起點(diǎn)、終點(diǎn)和障礙物(墻)，如何找到一條從起點(diǎn)開始避開障礙物到達(dá)終 點(diǎn)的最短路徑。假設(shè)在一個(gè)n*m的迷宮里，入口坐標(biāo)和出口坐標(biāo)分別為(1,1)和(5,5),每一個(gè) 坐標(biāo)點(diǎn)有兩種可能：0或1,其中0表示該位置允許通過(guò)，1表示該位置不允許 通過(guò)。如地圖：0 0 0 0 01 0 1 0 10 0 1 1 10 1 0 0 00 0 0

21、 1 0最短路徑應(yīng)該是A B 0 0 01 C 1 0 1E D 1 1 1F 1 J K LG H I 1 M即：(1.1)-(1,2)-(2,2)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)三、實(shí)驗(yàn)內(nèi)容1 .參考迷宮求解的核心代碼，觀察求解過(guò)程與思路，畫出用 A*算法求解迷 宮最短路徑的流程圖。2 .設(shè)置不同的地圖，以及不同的初始狀態(tài)和目標(biāo)狀態(tài)，記錄 A*算法的求解 結(jié)果，包括最短路徑、擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)和算法運(yùn)行時(shí)間。3 .對(duì)于相同的初始狀態(tài)和目標(biāo)狀態(tài)， 設(shè)計(jì)不同的啟發(fā)式函數(shù)，比較不同啟發(fā) 式函數(shù)對(duì)迷宮尋路速

22、度的提升效果，包括擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)和算法運(yùn)行時(shí) 問(wèn)。4 .提交實(shí)驗(yàn)報(bào)告和源程序。四、實(shí)驗(yàn)報(bào)告要求：1 .畫出A*算法求解迷宮最短路徑問(wèn)題的流程圖。2 .試分析不同啟發(fā)式函數(shù)h(n)對(duì)迷宮尋路求解的速度提升效果。3 .分析A*算法求解不同規(guī)模迷宮最短路徑問(wèn)題的性能。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí)：學(xué)號(hào)：姓名：一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容，給出相應(yīng)結(jié)果。四、實(shí)驗(yàn)總結(jié)1 .完成實(shí)驗(yàn)報(bào)告要求2和3。2 .總結(jié)實(shí)驗(yàn)心得體會(huì)實(shí)驗(yàn)五遺傳算法實(shí)驗(yàn)I一、實(shí)驗(yàn)?zāi)康氖煜ず驼莆者z傳算法的原理、流程和編碼策略，并利用遺傳求解函數(shù)優(yōu)化問(wèn) 題，理解求解流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影

23、響。二、實(shí)驗(yàn)原理遺傳算法(Genetic Algorithms, GA )是基于生物界自然選擇和基因遺傳學(xué)原 理的一種廣為應(yīng)用的、高效的隨機(jī)搜索算法，20世紀(jì)60年代由美國(guó)的密執(zhí)根大 學(xué)的Holland教授首先提出。該算法將優(yōu)化問(wèn)題看作是自然界中生物的進(jìn)化過(guò)程， 通過(guò)模擬大自然中生物進(jìn)化過(guò)程中的遺傳規(guī)律，來(lái)達(dá)到尋優(yōu)的目的。近年來(lái)，遺傳算法已廣泛地應(yīng)用于作業(yè)調(diào)度與排序、可靠性設(shè)計(jì)、車輛路徑選擇與調(diào)度、成 組技術(shù)、設(shè)備布置與分配、交通問(wèn)題等等。用遺傳算法求解優(yōu)化問(wèn)題，首先對(duì)優(yōu)化問(wèn)題的解進(jìn)行編碼，編碼后的一個(gè)解 稱為一個(gè)染色體，組成染色體的元素稱為基因。一個(gè)群體由若干個(gè)染色體組成， 染色體的個(gè)數(shù)稱為

24、群體的規(guī)模。在遺傳算法中用適應(yīng)度函數(shù)表示環(huán)境，它是已編 碼的解的函數(shù)，是一個(gè)解適應(yīng)環(huán)境程度的評(píng)價(jià)。當(dāng)適應(yīng)度函數(shù)確定后，自然選擇 規(guī)律以適應(yīng)度函數(shù)值的大小來(lái)決定一個(gè)染色體是否繼續(xù)生存下去的概率。生存下來(lái)的染色體成為種群，它們中的部分或全部以一定的概率進(jìn)行交叉、變異，從而得到下一代群體。實(shí)驗(yàn)條件Matlab 的遺傳算法工具箱 四、實(shí)驗(yàn)內(nèi)容：1.用遺傳算法求解下列函數(shù)的最大值，設(shè)定求解精度到15位小數(shù) 一、 2f(x,y)3.226y6.452(x 0.125y)(cos(x) cos(2y)222.。8 (x 4.2)2( y 7)x 0,10, y 0,101)給出適應(yīng)度函數(shù)(Fitness F

25、unction)的M文件(Matlab中要求適應(yīng)度函數(shù)最 小化)。2)設(shè)計(jì)及選擇上述問(wèn)題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù) 等，填入表1,給出最佳適應(yīng)度(Best fitness劑最佳個(gè)體(Best individual)圖表1遺傳算法參數(shù)的選擇編碼編碼方式(population type )種群參數(shù)種群規(guī)模(population size )初始種群的個(gè)體取值范圍(Initial range )選擇操作個(gè)體選擇概率分配策略(對(duì)應(yīng) Fitness scaling)個(gè)體選擇方法(Selection function )最佳個(gè)體保存優(yōu)良個(gè)體保存數(shù)量(Hite count)交叉操作交叉

26、概率(Crossover fraction )交叉方 式 ( Crossover function)變異操作變異方式(Mutation function)停止參數(shù)最大迭代步數(shù)(Generations)最大運(yùn)仃時(shí)間限制(Time limit)最小適應(yīng)度限制(Fitness limit)停滯代數(shù)(Stall generations )停滯時(shí)間限制(Stall time limit )3)使用相同的初始種群(Use random state from previous run ),設(shè)置不同的種 群規(guī)模(population size)，例如5、20和100,初始種群的個(gè)體取值范圍(Initial r

27、ange)為0;1,其他參數(shù)同表1,然后求得相應(yīng)的最佳適應(yīng)度(Best fitness)、 平均適應(yīng)度(Mean fitness)和最佳個(gè)體(Best individual),填入下表2,分 析種群規(guī)模對(duì)算法性能的影響。表2不同的種群規(guī)模的 GA運(yùn)行結(jié)果種群規(guī)模最佳適應(yīng)度平均適應(yīng)度最佳個(gè)體xy520100*4)設(shè)置種群規(guī)模(population size)為20,初始種群的個(gè)體取值范圍(Initial range) 為0;10,選擇不同的選擇操作、交叉操作和變異操作，其他參數(shù)同表1,然后獨(dú)立運(yùn)行算法10次，完成下表3,并分析比較采用不同的選擇策略、交叉 策略和變異策略的算法運(yùn)行結(jié)果。表3不同的

28、選擇策略、交叉策略和變異策略的算法運(yùn)行結(jié)果遺傳算法參數(shù)設(shè)置(gaoptimset)1234選擇操作個(gè)體選擇概率 分配FitnessScalingF cnRank (排序) fitscalingrankVProportional (比率) fitscalingpropV個(gè)體選擇SelectionFcnRoulette (輪盤賭選擇) selectionrouletteVVVTournament (競(jìng)標(biāo)賽選擇)selectiontournamentV交叉操作CrossoverFcn單點(diǎn)交叉 crossoversinglepointVVV兩點(diǎn)交叉 crossovertwopointV變異操作Muta

29、tionFcnUniform (均勻變異)mutationuniformV7V7V7Gaussian (高斯變異)mutationgaussianV7最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度備注:1:options=gaoptimset('PopulationSize',20,'PopInitRange',0;10,'FitnessScalingFcn', fitscalingrank,'SelectionFcn',selectionroulette,'CrossoverFcn',crossoversingle point,

30、'MutationFcn',mutationuniform)2.用遺傳算法求解下面一個(gè) Rastrigin函數(shù)的最小值，設(shè)定求解精度到15位小數(shù)。22f(x1,x2) 20 x1x2 10(cos2 x1cos2 x2)1)給出適應(yīng)度函數(shù)的M文件(Matlab中要求適應(yīng)度函數(shù)最小化)。2)設(shè)計(jì)上述問(wèn)題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等，填 入表4,并畫出最佳適應(yīng)度(Best fitness劑最佳個(gè)體(Best individual)圖。表4遺傳算法參數(shù)的選擇編碼編碼方式(population type)種群參數(shù)種群規(guī)模(population size )初始種群

31、的個(gè)體取值范圍(Initial range )選擇操作個(gè)體選擇概率分配策略(對(duì)應(yīng) Fitness scaling)個(gè)體選擇方法(Selection function )最佳個(gè)體保存優(yōu)良個(gè)體保存數(shù)量(Hite count)交叉操作交叉概率(Crossover fraction )交叉方 式( Crossover function )變異操作變異方式(Mutation function)停止參數(shù)最大迭代步數(shù)(Generations)最大運(yùn)仃時(shí)間限制(Time limit)最小適應(yīng)度限制(Fitness limit)停滯代數(shù)(Stall generations )停滯時(shí)間限制(Stall time

32、limit )3）設(shè)置種群的不同初始范圍，例如1;、1;100和1;2,畫出相應(yīng)的最佳適應(yīng)度 值（Best巾tness劑平均距離（Distance）圖，比較分析初始范圍及種群多樣性 對(duì)遺傳算法性能的影響。4）設(shè)置不同的交叉概率（Crossover fraction=R、1）,畫出無(wú)變異的交叉（Crossover fraction=1）、無(wú)交叉的變異（Crossover fraction=0）以及交叉概率為 時(shí)最佳適應(yīng)度值（Best fitness刑和平均距離（Distance）圖，分析交叉和變異 操作對(duì)算法性能的影響。五、實(shí)驗(yàn)報(bào)告要求：1 .畫出遺傳算法的算法流程圖。2 .根據(jù)實(shí)驗(yàn)內(nèi)容，給出相

33、應(yīng)結(jié)果。3 .總結(jié)遺傳算法的特點(diǎn)，并說(shuō)明適應(yīng)度函數(shù)在遺傳算法中的作用, 下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí)：學(xué)號(hào)：姓名:一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容，給出實(shí)驗(yàn)結(jié)果以及結(jié)果分析。四、實(shí)驗(yàn)總結(jié)1 .完成實(shí)驗(yàn)報(bào)告要求3。2 .總結(jié)實(shí)驗(yàn)心得體會(huì)實(shí)驗(yàn)六遺傳算法實(shí)驗(yàn)II、實(shí)驗(yàn)?zāi)康氖煜ず驼莆者z傳算法的原理、流程和編碼策略，理解求解TSP問(wèn)題的流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影響，掌握遺傳算法的基本實(shí)現(xiàn)方法。二、實(shí)驗(yàn)原理旅行商問(wèn)題，即TSP問(wèn)題（Traveling SalesmanProblem）是數(shù)學(xué)領(lǐng)域中著名 問(wèn)題之一。假設(shè)有一個(gè)旅彳T商人要拜訪n個(gè)城市，n個(gè)城市之間的相互距離

34、已知， 他必須選擇所要走的路徑，路經(jīng)的限制是每個(gè)城市只能拜訪一次， 而且最后要回 到原來(lái)出發(fā)的城市。路徑的選擇目標(biāo)是要求得的路徑路程為所有路徑之中的最小 值。用圖論的術(shù)語(yǔ)來(lái)說(shuō)，假設(shè)有一個(gè)圖 g=（v,e）,其中v是頂點(diǎn)集，e是邊集，設(shè) d=（dij）是由頂點(diǎn)i和頂點(diǎn)j之間的距離所組成的距離矩陣，旅行商問(wèn)題就是求出一 條通過(guò)所有頂點(diǎn)且每個(gè)頂點(diǎn)只通過(guò)一次的具有最短距離的回路。TSP問(wèn)題是一個(gè)典型的組合優(yōu)化問(wèn)題，該問(wèn)題可以被證明具有NPC計(jì)算復(fù)雜性，其可能的路徑數(shù)目與城市數(shù)目n是成指數(shù)型增長(zhǎng)的，所以一般很難精確地求出其最優(yōu)解， 本實(shí) 驗(yàn)采用遺傳算法求解。遺傳算法的基本思想正是基于模仿生物界遺傳學(xué)的遺

35、傳過(guò)程。它把問(wèn)題的參數(shù)用基因代表，把問(wèn)題的解用染色體代表（在計(jì)算機(jī)里用二進(jìn)制碼表示），從而 得到一個(gè)由具有不同染色體的個(gè)體組成的群體。這個(gè)群體在問(wèn)題特定的環(huán)境里生存競(jìng)爭(zhēng)，適者有最好的機(jī)會(huì)生存和產(chǎn)生后代。后代隨機(jī)化地繼承了父代的最好特 征，并也在生存環(huán)境的控制支配下繼續(xù)這一過(guò)程。群體的染色體都將逐漸適應(yīng)環(huán) 境，不斷進(jìn)化，最后收斂到一個(gè)最適應(yīng)環(huán)境的類似個(gè)體，即得到問(wèn)題最優(yōu)的解。、實(shí)驗(yàn)內(nèi)容1、參考實(shí)驗(yàn)系統(tǒng)給出的遺傳算法核心代碼， 用遺傳算法求解不同規(guī)模（例如 10個(gè)城市，20個(gè)城市，100個(gè)城市）的TSP問(wèn)題，把結(jié)果填入表1。表1遺傳算法求解不同規(guī)模的 TSP問(wèn)題的結(jié)果城市規(guī)模最好適應(yīng)度最差適應(yīng)度平

36、均適應(yīng)度平均運(yùn)行時(shí)間10201002、對(duì)于同一個(gè)TSP問(wèn)題（例如10個(gè)城市），設(shè)置不同的種群規(guī)模（例如10, 20, 100）、交叉概率（0, , 1）和變異概率（0, , 1）,把結(jié)果填入表2。3、設(shè)置種群規(guī)模為100,交叉概率為，變異概率為，然后增加 1種變異策略 （例如相鄰兩點(diǎn)互換變異、逆轉(zhuǎn)變異或插入變異等）和1種個(gè)體選擇概率分配策略（例如按線性排序或者按非線性排序分配個(gè)體選擇概率）用于求解同一 TSP問(wèn)題（例如10個(gè)城市），把結(jié)果填入表3。表2不同的種群規(guī)模、交叉概率和變異概率的求解結(jié)果種群規(guī)模交叉概率變異概率最好適應(yīng) 度最差適應(yīng) 度平均適應(yīng) 度平均運(yùn)行 時(shí)間1020100100010

37、0100110001001001表3不同的變異策略和個(gè)體選擇概率分配策略的求解結(jié)果變異策略個(gè)體選擇概率分配最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時(shí)間兩點(diǎn)互換按適應(yīng)度比例分配兩點(diǎn)互換按適應(yīng)度比例分配4、提交實(shí)驗(yàn)報(bào)告和源程序四、實(shí)驗(yàn)報(bào)告要求：1、畫出遺傳算法求解TSP問(wèn)題的流程圖。2、分析遺傳算法求解不同規(guī)模的TSP問(wèn)題的算法性能。3、對(duì)于同一個(gè)TSP問(wèn)題，分析種群規(guī)模、交叉概率和變異概率對(duì)算法結(jié)果 的影響。4、增加1種變異策略和1種個(gè)體選擇概率分配策略，比較求解同一 TSP問(wèn) 題時(shí)不同變異策略及不同個(gè)體選擇分配策略對(duì)算法結(jié)果的影響。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí)：學(xué)號(hào)：姓名：一

38、、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容，給出相應(yīng)結(jié)果。四、實(shí)驗(yàn)總結(jié)1 .完成實(shí)驗(yàn)報(bào)告要求2, 3和4。2 .總結(jié)實(shí)驗(yàn)心得體會(huì)實(shí)驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn)、實(shí)驗(yàn)?zāi)康睦斫釨P神經(jīng)網(wǎng)絡(luò)和離散Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理，掌握反向傳播學(xué) 習(xí)算法對(duì)神經(jīng)元的訓(xùn)練過(guò)程，了解反向傳播公式。通過(guò)構(gòu)建 BP網(wǎng)絡(luò)和離散 Hopfield網(wǎng)絡(luò)模式識(shí)別實(shí)例，熟悉前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)的原理及結(jié)構(gòu)。二、實(shí)驗(yàn)原理BP學(xué)習(xí)算法是通過(guò)反向?qū)W習(xí)過(guò)程使誤差最小， 其算法過(guò)程從輸出節(jié)點(diǎn)開始， 反向地向第一隱含層（即最接近輸入層的隱含層）傳播由總誤差引起的權(quán)值修正。 BP網(wǎng)絡(luò)不僅含有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)， 而且含有一層或

39、多層隱（層）節(jié)點(diǎn)。輸入信 號(hào)先向前傳遞到隱節(jié)點(diǎn)，經(jīng)過(guò)作用后，再把隱節(jié)點(diǎn)的輸出信息傳遞到輸出節(jié)點(diǎn)， 最后給出輸出結(jié)果。離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶過(guò)程分為學(xué)習(xí)和聯(lián)想兩個(gè)階段。在給定樣 本的條件下，按照Hebb學(xué)習(xí)規(guī)則調(diào)整連接權(quán)值，使得存儲(chǔ)的樣本成為網(wǎng)絡(luò)的穩(wěn) 定狀態(tài)，這就是學(xué)習(xí)階段。聯(lián)想是指在連接權(quán)值不變的情況下， 輸入部分不全或 者受了干擾的信息，最終網(wǎng)絡(luò)輸出某個(gè)穩(wěn)定狀態(tài)。三、實(shí)驗(yàn)條件Matlab 的神經(jīng)網(wǎng)絡(luò)工具箱：在 Matlab 的命令窗口輸入nntool,然后在鍵 盤上輸入Enter鍵，即可打開神經(jīng)網(wǎng)絡(luò)工具箱。四、實(shí)驗(yàn)內(nèi)容1,針對(duì)教材P243例，設(shè)計(jì)一個(gè)BP網(wǎng)絡(luò)結(jié)構(gòu)模型（63-6

40、-9）,并以教材圖為 訓(xùn)練樣本數(shù)據(jù)，圖為測(cè)試數(shù)據(jù)。（1）從Matlab工作空間導(dǎo)入（Import）訓(xùn)練樣本數(shù)據(jù)（inputdata, outputdata ） 和測(cè)試數(shù)據(jù)（testinputdata）,然后新建一個(gè)神經(jīng)網(wǎng)絡(luò)（New Network）,選擇 參數(shù)如下表1,給出BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。表1 BP網(wǎng)絡(luò)結(jié)構(gòu)模型的各項(xiàng)參數(shù)設(shè)置Network Name （神經(jīng)網(wǎng)絡(luò)名稱）Network Type （神經(jīng)網(wǎng)絡(luò)類型）Feed-forward backprop （前饋反向傳播）Input ranges （輸入信息范圍）來(lái)自訓(xùn)練樣本的輸入數(shù)據(jù)（inputdata ）Training function （

41、訓(xùn)練函數(shù)）TRAINGD梯度下降 BP算法）Performance function （性能函數(shù)）MSE （均方誤差）Number of layers （神經(jīng)網(wǎng)絡(luò)層數(shù)）2Layer1（第 1 層）的 Number of neurons （神 經(jīng)元個(gè)數(shù)）6Layer1 （第 1 層）的 Transfer Function （傳 遞函數(shù)）TANSIG雙曲正切S型函數(shù)）Layer2（第 2 層）的 Number of neurons （神 經(jīng)元個(gè)數(shù)）9Layer2 （第 2 層）的 Transfer Function （傳 遞函數(shù)）LOGSIG （S型函數(shù)）（2）輸入訓(xùn)練樣本數(shù)據(jù)（inputdata , outputdata ）,隨機(jī)初始化連接權(quán)（InitializeWeights）,給出B網(wǎng)經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后的誤差變化曲線圖，訓(xùn)練參數(shù)設(shè)置如表2所示。表2 B刖絡(luò)訓(xùn)練參數(shù)訓(xùn)練次數(shù)（epochs）1000訓(xùn)練時(shí)間（time）Inf訓(xùn)練目標(biāo)（goal）0學(xué)習(xí)率（lr）最大確認(rèn)失敗次數(shù)（max_fail）5最小性能梯度（min_grad ）1e-025兩次顯示之間的訓(xùn)練步數(shù)（show）25（3）選擇不同的訓(xùn)練函數(shù)，例如 TRAINGDM （梯度下降動(dòng)量 BP算法）、 TRAINLMM （ Levenberg-Marquardt BP訓(xùn)練函數(shù)），然后輸入訓(xùn)練樣